Pesquisa Profunda
Por que isso importa
Em profundidade
Uma execução de pesquisa profunda não se parece em nada com uma conclusão normal de chat. Dado um prompt, o sistema primeiro decompõe a pergunta em um plano de pesquisa: um conjunto de subperguntas, consultas de busca e ângulos que vale explorar. Então entra em loop — faz buscas, abre páginas, lê e decide o que perseguir em seguida — por um período de alguns minutos a meia hora, muitas vezes consultando dezenas de fontes pelo caminho. Descobertas intermediárias se acumulam em notas de trabalho, e uma passagem final de síntese transforma essas notas em um relatório estruturado com citações inline. Sob o capô, isso está mais próximo do loop de planejamento de um Agente Autônomo do que da consulta documental em uma passagem do RAG clássico.
Como Funciona o Loop do Agente
O loop central é planejar, buscar, ler, reavaliar. Depois de cada lote de páginas, o modelo atualiza sua compreensão e escolhe as próximas consultas com base no que ainda falta, em quais fontes discordam e quais afirmações precisam de uma segunda confirmação. É aqui que diverge do RAG clássico: a recuperação não é uma consulta única, mas um processo iterativo conduzido pelo próprio modelo. A navegação acontece por Uso de ferramentas — busca, abertura de páginas e, às vezes, ferramentas de execução de código —, e tudo o que o agente leu precisa caber na Janela de contexto, portanto esses sistemas destilam páginas agressivamente em notas, em vez de acumular texto bruto.
Por que Modelos de Raciocínio Mudaram o Jogo
A pesquisa profunda só se tornou prática quando os modelos passaram a sustentar longas cadeias de trabalho sem perder o fio. Uma única execução pode abranger dezenas de etapas de busca e leitura, portanto o modelo subjacente precisa manter um plano, acompanhar perguntas em aberto e perceber quando uma nova fonte contradiz uma suposição anterior. A versão da OpenAI é alimentada por um modelo de raciocínio ajustado com aprendizado por reforço em tarefas reais de navegação, e produtos concorrentes dependem de seus próprios carros-chefe capazes de raciocinar. Na prática, pesquisa profunda é Computação em Tempo de Teste gasta em busca: o sistema troca minutos de Raciocínio e navegação por uma resposta que nenhuma passagem forward isolada poderia produzir.
Citações Não São Garantia
O relatório polido com links inline convida a uma confiança excessiva, e esse é o principal modo de falha. Uma citação diz que o modelo abriu uma página, não que a página afirma o que o relatório diz, e incompatibilidades entre citação e afirmação são comuns o bastante para que a conferência por amostragem continue essencial. Os sistemas também herdam os vieses da web aberta: conteúdo feito para SEO, páginas desatualizadas e material de marketing recebem a mesma atenção que fontes primárias, enquanto conteúdo pago ou não indexado permanece invisível. Como qualquer gerador, o modelo ainda está sujeito a Alucinação de detalhes e pode encobrir discretamente lacunas nas evidências com sínteses que soam plausíveis. Trate a saída como um primeiro rascunho forte de um assistente de pesquisa muito rápido, não como um produto final já verificado.
O Campo e Como Ele é Medido
O Gemini lançou o primeiro Deep Research em dezembro de 2024; o lançamento da OpenAI em fevereiro de 2025, inicialmente limitado ao nível de assinatura mais caro com uma cota mensal de execuções, foi o que o transformou em categoria. Em poucos meses, a Perplexity acrescentou um ao seu mecanismo de respostas e a xAI lançou o DeepSearch no Grok. O acesso se ampliou rapidamente, e em meados de 2025 a maioria dos grandes assistentes oferecia alguma forma de modo de pesquisa em várias etapas. Recriações de código aberto apareceram em paralelo, normalmente ligando uma API de busca a um modelo de raciocínio dentro de um arcabouço de agente.
Medir esses sistemas é mais difícil do que construí-los. O resultado inicial mais citado é o Humanity's Last Exam, um benchmark de perguntas de nível especializado em muitas disciplinas, no qual o Deep Research da OpenAI respondeu corretamente a cerca de um quarto das perguntas — muito acima das pontuações de um dígito dos modelos de chat comuns da época. Fornecedores também relatam resultados fortes no GAIA, um Benchmark de assistentes agênticos. Nenhum dos dois mede diretamente a qualidade do relatório, porém: precisão das citações, diversidade de fontes e utilidade para um leitor humano ainda são avaliadas principalmente à mão, e avaliações independentes continuam escassas.